論文の概要: Human-computer Interaction for Brain-inspired Computing Based on Machine Learning And Deep Learning:A Review

• arxiv url: http://arxiv.org/abs/2312.07213v2
• Date: Wed, 10 Jan 2024 13:51:26 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-11 16:40:49.671873
• Title: Human-computer Interaction for Brain-inspired Computing Based on Machine Learning And Deep Learning:A Review
• Title（参考訳）: 機械学習と深層学習に基づく脳インスパイアコンピューティングのためのヒューマンコンピュータインタラクション:レビュー
• Authors: Bihui Yu, Sibo Zhang, Lili Zhou, Jingxuan Wei, Linzhuang Sun, Liping Bu
• Abstract要約: 本稿では,機械学習(ML)と深層学習(DL)モデルについて,脳にインスパイアされたコンピューティングのための人間とコンピュータのインタラクションに適用した総合的なレビューを行う。 大幅な進歩にもかかわらず、その能力を完全に活用する上での課題は残る。
• 参考スコア（独自算出の注目度）: 1.25828876338076
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The continuous development of artificial intelligence has a profound impact on biomedical research and other fields.Brain-inspired computing is an important intersection of multimodal technology and biomedical field. This paper presents a comprehensive review of machine learning (ML) and deep learning (DL) models applied in human-computer interaction for brain-inspired computing, tracking their evolution, application value, challenges, and potential research trajectories. First, the basic concepts and development history are reviewed, and their evolution is divided into two stages: recent machine learning and current deep learning, emphasizing the importance of each stage in the research state of human-computer interaction for brain-inspired computing. In addition, the latest progress and key techniques of deep learning in different tasks of human-computer interaction for brain-inspired computing are introduced from six perspectives. Despite significant progress, challenges remain in making full use of its capabilities. This paper aims to provide a comprehensive review of human-computer interaction for brain-inspired computing models based on machine learning and deep learning, highlighting their potential in various applications and providing a valuable reference for future academic research. It can be accessed through the following url: https://github.com/ultracoolHub/brain-inspired-computing
• Abstract（参考訳）: 人工知能の継続的な開発は、バイオメディカル研究や他の分野に大きな影響を与え、脳に触発されたコンピューティングは、マルチモーダル技術とバイオメディカル分野の重要な交差点である。 本稿では,機械学習(ML)と深層学習(DL)モデルによる脳に触発されたコンピュータのインタラクション,進化の追跡,アプリケーションの価値,課題,潜在的研究軌跡について概説する。 まず、基本的な概念と開発史を概観し、その進化は、最近の機械学習と現在のディープラーニングの2つの段階に分けられ、脳にインスパイアされたコンピューティングのための人間とコンピュータの相互作用の研究における各段階の重要性を強調している。 さらに,6つの視点から,脳にインスパイアされたコンピュータのためのヒューマンコンピュータインタラクションのタスクにおける深層学習の最近の進歩と鍵となる技術を紹介する。 大幅な進歩にもかかわらず、その能力を完全に活用する上で課題は残る。 本稿では,機械学習と深層学習に基づく脳にインスパイアされた計算モデルのための人間とコンピュータのインタラクションの包括的レビューを行い,それらの応用可能性を強調し,今後の学術研究に有用な参考文献を提供する。 https://github.com/ultracoolHub/brain-inspired-computing

関連論文リスト

• Decoding Linguistic Representations of Human Brain [21.090956290947275]
  テキスト形式と音声形式の両方を脳から言語へ復号する分類法を提案する。 この研究は、言語理解に焦点を当てた神経科学と深層学習に基づく脳復号という2つのタイプの研究を統合している。
  論文  参考訳（メタデータ） (2024-07-30T07:55:44Z)
• Post-hoc and manifold explanations analysis of facial expression data based on deep learning [4.586134147113211]
  本稿では、ニューラルネットワークが顔の表情データを処理し、保存し、それらと人間の心理的属性を関連づける方法について検討する。 研究者たちはディープラーニングモデルVGG16を利用して、ニューラルネットワークが顔データの主要な特徴を学習し、再現できることを実証した。 実験結果は、人間の感情や認知過程を理解するための深層学習モデルの可能性を明らかにした。
  論文  参考訳（メタデータ） (2024-04-29T01:19:17Z)
• Brain-Inspired Machine Intelligence: A Survey of Neurobiologically-Plausible Credit Assignment [65.268245109828]
  本稿では,神経生物学にインスパイアされた,あるいは動機付けられた人工ニューラルネットワークにおける信用割当を行うアルゴリズムについて検討する。 我々は、脳にインスパイアされた学習スキームを6つの一般的なファミリーにまとめ、これらを誤りのバックプロパゲーションの文脈で検討する。 本研究の成果は,神経ミメティックシステムとその構成的学習プロセスの今後の発展を促進することを目的としている。
  論文  参考訳（メタデータ） (2023-12-01T05:20:57Z)
• Brain-Inspired Computational Intelligence via Predictive Coding [89.6335791546526]
  予測符号化(PC)は、マシンインテリジェンスタスクにおいて有望なパフォーマンスを示している。 PCは様々な脳領域で情報処理をモデル化することができ、認知制御やロボティクスで使用することができる。
  論文  参考訳（メタデータ） (2023-08-15T16:37:16Z)
• Digital twin brain: a bridge between biological intelligence and artificial intelligence [12.55159053727258]
  本稿では,生物と人工知能のギャップを埋めるトランスフォーメーションプラットフォームとして,Digital Twin Brain(DTB)を提案する。 DTBは、ツインニング過程の基本となる脳構造、脳機能を生成する底層モデル、幅広い応用の3つの中核要素から構成される。
  論文  参考訳（メタデータ） (2023-08-03T03:36:22Z)
• Machine Psychology [54.287802134327485]
  我々は、心理学にインスパイアされた行動実験において、研究のための実りある方向が、大きな言語モデルに係わっていると論じる。 本稿では,本手法が表に示す理論的視点,実験パラダイム,計算解析技術について述べる。 これは、パフォーマンスベンチマークを超えた、生成人工知能(AI)のための「機械心理学」の道を開くものだ。
  論文  参考訳（メタデータ） (2023-03-24T13:24:41Z)
• Language Cognition and Language Computation -- Human and Machine Language Understanding [51.56546543716759]
  言語理解は認知科学とコンピュータ科学の分野で重要な科学的問題である。 これらの規律を組み合わせることで、インテリジェントな言語モデルを構築する上で、新たな洞察が得られますか?
  論文  参考訳（メタデータ） (2023-01-12T02:37:00Z)
• In the realm of hybrid Brain: Human Brain and AI [0.0]
  現在の脳-コンピュータインターフェース(BCI)技術は主に治療結果に関するものである。 近年,脳信号のデコードには人工知能(AI)と機械学習(ML)技術が用いられている。 クローズドループ,インテリジェント,低消費電力,小型化されたニューラルインターフェースの開発を想定する。
  論文  参考訳（メタデータ） (2022-10-04T08:35:34Z)
• Neural Fields in Visual Computing and Beyond [54.950885364735804]
  機械学習の最近の進歩は、座標ベースニューラルネットワークを用いた視覚コンピューティング問題の解決への関心が高まっている。 ニューラルネットワークは、3D形状と画像の合成、人体のアニメーション、3D再構成、ポーズ推定に成功している。 本報告は、文脈、数学的基礎、および、ニューラルネットワークに関する文献の広範なレビューを提供する。
  論文  参考訳（メタデータ） (2021-11-22T18:57:51Z)
• Ten Quick Tips for Deep Learning in Biology [116.78436313026478]
  機械学習は、データのパターンを認識し、予測モデリングに使用するアルゴリズムの開発と応用に関係している。 ディープラーニングは、独自の機械学習のサブフィールドになっている。 生物学的研究の文脈において、ディープラーニングは高次元の生物学的データから新しい洞察を導き出すためにますます使われてきた。
  論文  参考訳（メタデータ） (2021-05-29T21:02:44Z)
• Memristors -- from In-memory computing, Deep Learning Acceleration, Spiking Neural Networks, to the Future of Neuromorphic and Bio-inspired Computing [25.16076541420544]
  機械学習は、特にディープラーニングの形で、人工知能の最近の基本的な発展のほとんどを駆動している。 ディープラーニングは、オブジェクト/パターン認識、音声と自然言語処理、自動運転車、インテリジェントな自己診断ツール、自律ロボット、知識に富んだパーソナルアシスタント、監視といった分野に成功している。 本稿では、電力効率の高いインメモリコンピューティング、ディープラーニングアクセラレーター、スパイクニューラルネットワークの実装のための潜在的なソリューションとして、CMOSハードウェア技術、memristorsを超越した小説をレビューする。
  論文  参考訳（メタデータ） (2020-04-30T16:49:03Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。